Figura 1. ApĂȘndice 1- AnĂĄlise EstatĂstica completa. Na primeira linha hĂĄ as variĂĄveis na escala padrĂŁo; na segunda linha as variĂĄveis apĂłs transformação Z (centra a mĂ©dia em zero e desloca a variação para o centro da distribuição REVISĂO). As linhas em vermelho equivalem ao quantil de 0.25%, 0.50% e 0.75% da amostra. S = riqueza observada; p = proporção de cobertura vegetal na paisagem
A proporção de cobertura vegetal variou de 0.0074 atĂ© 1, o quantil de 25% Ă© de 0.2916, a mĂ©dia Ă© 0.6727 e o quantil de 75% Ă© de 0.9216 (figura 1). A riqueza observada variou de 26 atĂ© 230, o quantil de 25% Ă© de 73.75, a mĂ©dia Ă© 105.85, e o quantil de 75% Ă© 134 (figura 1). HĂĄ um vies na amostra que apresenta mais trabalhos em paisagens com alta cobertura vegetal do que em baixas, por exemplo, o primeiro 1/4 da amostra estĂĄ entre 0.00 e 0.30, enquanto o Ășltimo 1/4 estĂĄ comprimido entre 0.92 e 1 (figura 1). A riqueza observada apresenta um outro padrĂŁo com uma tendĂȘncia central e uma assimetria para a esquerda [REVISAR]: 50% da amostra estĂĄ entre 73 e 134 com mĂ©dia e mediana prĂłximos de 100; o primeiro 1/4 da amostra estĂĄ entre 26 e 73 enquanto o Ășltimo 1/4 varia entre 134 e 230, o range do 1o quarto equivale Ă metade do range do Ășltimo quarto da amostra. HĂĄ certa covariação entre p e S: o Ășltimo quarto de p varia acima do quantil de 25%; enquanto o primeiro quarto de p varia atĂ© a mediana de S. PorĂ©m os 50% centrais de cada variĂĄvel estĂŁo representadas em todo o gradiente de variação da outra, e.g., entre o quantil de 25% e 75% de p observamos S que varia desde de valores inferiores Ă 50 atĂ© superiores Ă 200; e um padrĂŁo se observa para S. Para realizar a anĂĄlise estatĂstica aplicamos a transformaçaĂ” Z em p e S. A transformação Z centraliza no zero a mĂ©dia da distribuição e converte da escala da variĂĄvel para a de desvio-padrĂ”es; dessa forma torna-se mais direta a interpretação de modelos lineares generalizados hierarquicos (REF 2006). Essa transformação move a variação para a regiĂŁo central da distribuição mantendo a relação geral entre as observaçÔes (figura 1). NĂŁo hĂĄ motivos a priori para pensar que a predição dos modelos pode ser influĂȘnciada pela covariação entre p e S. [DĂVIDA] Paulo, lembro que discutimos sobre a relação entre teste frequentista e o efeito de S * p; me recordo de algo como que ao utilizar o p-valor estariamos de alguma forma ponderando isso [DĂVIDA].
Consideramos que um modelo neutro nĂŁo foi refutado quando o p-valor for maior ou igual Ă 5%. Contabilizamos o nĂșmero de prediçÔes nĂŁo refutadas (Goodness-of-fit) e modelamos a probabilidade de uma predição nĂŁo ser refutada usando um modelo logito. Agrupamos os dados pelo SĂtio de observação (Site). Ă possĂvel agrupar os dados considerando um intercepto por sĂtio (1|Site); 1 intercepto por modelo neutro (MN|Site); ou com 1 intercepto e 1 inclinação para k por modelo neutro (k*MN|Site). Na Ășltima opção k precisa ser interpretado como variĂĄvel contĂnua. Um protocolo de seleção de modelos hierarquicos pode ser encontrado em Zuur et al. 2009 onde se recomenda comparar formas alternativas de agrupar os dados a partir do modelo cheio da relação entre as preditoras. O modelo cheio proposto foi com a interação de terceiro grau entre as preditoras p, k e MN. Comparamos todas as combinaçÔes possĂveis por verossimilhança [DĂVIDA] se entendo corretamente, os parametros da estrutura aleatĂłria sĂŁo estimados pelo R2 e os estrutura fixa por algo similar Ă verossimilhança; entĂŁo precisa utilizar o parĂąmetro REML=TRUE [DĂVIDA]
Tabela 1 Qual o melhor modelo cheio?
O modelo estatĂstico com k como fator e agrupamento dos dados como MN|Site foi o Ășnico plausĂvel.
Tabela 2 Qual a relação entre as variĂĄveis Ă© mais plausĂvel?
O Ășnico modelo plaĂșsivel Ă© aquele que inclui a interação de terceiro grau. Vamos avaliar os resĂduos quantĂlicos utilizando o pacote DHARMa (REF). Se o modelo estatĂstico estĂĄ fazendo um ajuste adequado entĂŁo a distribuição dos resĂduos quantĂlicos deve ser prĂłximo a de uma distribuição normal (REF).
Figura 2. ResĂduos quantĂlicos do modelo mais plaĂșsivel [aquele que inclui p:k:MN], para detalhes ver documentação da função simulateResiduals.
A distribuição dos resĂduos quantĂlicos do modelo mais plausĂvel nĂŁo apresenta boa aderĂȘncia Ă uniformidade.